Un nuovo algoritmo di apprendimento automatico quantistico: modello di Markov quantistico nascosto ispirato all’equazione principale condizionale quantistica

Un nuovo algoritmo di apprendimento automatico quantistico: modello di Markov quantistico nascosto ispirato all’equazione principale condizionale quantistica

Timestamp: 24 gennaio 2024 7:38
Nodo di origine: 3083772

Xiao-Yu Li1, Qin-Sheng Zhu2, Yong Hu2, Hao Wu2,3, Guo-Wu Yang4, Lian-Hui Yu2e Geng Chen4

1Scuola di Ingegneria dell'Informazione e del Software, Università di Scienza e Tecnologia Elettronica della Cina, Cheng Du, 610054, Cina
2Scuola di Fisica, Università di Scienza e Tecnologia Elettronica della Cina, Cheng Du, 610054, Cina
3Istituto di elettronica e tecnologia dell'industria dell'informazione di Kash, Kash, 844000, Cina
4Scuola di Informatica e Ingegneria, Università di Scienza e Tecnologia Elettronica della Cina, Cheng Du, 610054, Cina

Trovi questo documento interessante o vuoi discuterne? Scrivi o lascia un commento su SciRate.

Astratto

Il modello Markov quantistico nascosto (HQMM) ha un potenziale significativo per l'analisi dei dati di serie temporali e lo studio dei processi stocastici nel dominio quantistico come opzione di aggiornamento con potenziali vantaggi rispetto ai modelli Markov classici. In questo articolo, abbiamo introdotto la divisione HQMM (SHQMM) per implementare il processo di Markov quantistico nascosto, utilizzando l'equazione principale condizionale con una condizione di equilibrio fine per dimostrare le interconnessioni tra gli stati interni del sistema quantistico. I risultati sperimentali suggeriscono che il nostro modello supera i modelli precedenti in termini di ambito di applicazione e robustezza. Inoltre, stabiliamo un nuovo algoritmo di apprendimento per risolvere i parametri in HQMM mettendo in relazione l'equazione principale condizionale quantistica con HQMM. Infine, il nostro studio fornisce una chiara prova che il sistema di trasporto quantistico può essere considerato una rappresentazione fisica di HQMM. Lo SHQMM con gli algoritmi di accompagnamento presenta un nuovo metodo per analizzare i sistemi quantistici e le serie temporali basate sull'implementazione fisica.

Immagine in primo piano: il diagramma di calcolo espanso di $ρ^n(t)$ per un insieme di sequenze $y_0$, $y_1$ · · · , $y_T$.

Riepilogo popolare

In questo lavoro, partendo dal quadro della teoria fisica del sistema aperto e utilizzando l'equazione principale della condizione quantistica derivata dall'introduzione di condizioni di equilibrio dettagliate, stabiliamo teoricamente la connessione tra l'equazione principale della condizione quantistica e il modello di Markov nascosto quantistico. Contemporaneamente, proponiamo un nuovo modello Splitting Quantum Markov Model (SHQMM). I risultati sperimentali non solo convalidano la superiorità degli algoritmi quantistici rispetto agli algoritmi classici, ma dimostrano anche che il nostro modello supera i precedenti HQMM, offrendo ampie applicazioni nello studio degli stati interni dei sistemi quantistici.

► dati BibTeX

► Riferimenti

, Juan I Cirac e Peter Zoller. “Calcoli quantistici con ioni freddi intrappolati”. Lettere di revisione fisica 74, 4091 (1995).
https: / / doi.org/ 10.1103 / physrevlett.74.4091

, Emanuel Knill, Raymond Laflamme e Gerald J. Milburn. "Uno schema per un calcolo quantistico efficiente con ottica lineare". natura 409, 46–52 (2001).
https: / / doi.org/ 10.1038 / 35051009 mila

, Jacob Biamonte, Peter Wittek, Nicola Pancotti, Patrick Rebentrost, Nathan Wiebe e Seth Lloyd. "Apprendimento automatico quantistico". Natura 549, 195–202 (2017).
https: / / doi.org/ 10.1038 / nature23474

, M Cerezo, Guillaume Verdon, Hsin-Yuan Huang, Lukasz Cincio e Patrick J Coles. “Sfide e opportunità nell’apprendimento automatico quantistico”. Scienze computazionali della natura 2, 567–576 (2022).
https:/​/​doi.org/​10.1038/​s43588-022-00311-3

, Kishor Bharti, Alba Cervera-Lierta, Thi Ha Kyaw, Tobias Haug, Sumner Alperin-Lea, Abhinav Anand, Matthias Degroote, Hermanni Heimonen, Jakob S Kottmann, Tim Menke, et al. "Algoritmi quantistici (nisq) rumorosi su scala intermedia (2021)" (2021). arXiv:2101.08448v1.
arXiv: 2101.08448v1

, Alán Aspuru-Guzik, Roland Lindh e Markus Reiher. “La materia simulazione(r)evoluzione”. ACS scienza centrale 4, 144–152 (2018).
https://​/​doi.org/​10.1021/​acscentsci.7b00550

, Iulia M Georgescu, Sahel Ashhab e Franco Nori. “Simulazione quantistica”. Recensioni di fisica moderna 86, 153 (2014).
https: / / doi.org/ 10.1103 / RevModPhys.86.153

, Markus Reiher, Nathan Wiebe, Krysta M Svore, Dave Wecker e Matthias Troyer. "Spiegare i meccanismi di reazione sui computer quantistici". Atti dell'Accademia Nazionale delle Scienze 114, 7555–7560 (2017).
https: / / doi.org/ 10.1073 / pnas.1619152114

, Yudong Cao, Jhonathan Romero e Alán Aspuru-Guzik. "Potenziale del calcolo quantistico per la scoperta di farmaci". IBM Journal of Research and Development 62, 6–1 (2018).
https: / / doi.org/ 10.1147 / JRD.2018.2888987

, Roman Orus, Samuel Mugel e Enrique Lizaso. “Informatica quantistica per la finanza: panoramica e prospettive”. Recensioni in Fisica 4, 100028 (2019).
https: / / doi.org/ 10.1016 / j.revip.2019.100028

, Pierre-Luc Dallaire-Demers, Jonathan Romero, Libor Veis, Sukin Sim e Alán Aspuru-Guzik. "Ansatz di circuiti a bassa profondità per la preparazione di stati fermionici correlati su un computer quantistico". Scienza e tecnologia quantistica 4, 045005 (2019).
https: / / doi.org/ 10.1088 / 2058-9565 / ab3951

, Elizabeth Fons, Paula Dawson, Jeffrey Yau, Xiao-jun Zeng e John Keane. "Un nuovo sistema di asset allocation dinamica che utilizza i modelli Markov nascosti di Feature Saliency per investimenti smart beta". Sistemi esperti con applicazioni 163, 113720 (2021).
https://​/​doi.org/​10.1016/​j.eswa.2020.113720

, PV Chandrika, K Visalakshmi e K Sakthi Srinivasan. "Applicazione dei modelli di Markov nascosti nel commercio di azioni". Nel 2020 la 6a Conferenza Internazionale sui Sistemi Avanzati di Calcolo e Comunicazione (ICACCS). Pagine 1144–1147. (2020).
https://​/​doi.org/​10.1109/​ICACCS48705.2020.9074387

, Dima Suleiman, Arafat Awajan e Wael Al Etaiwi. "L'uso del modello di Markov nascosto nell'elaborazione della lingua araba naturale: un'indagine". Procedia informatica 113, 240–247 (2017).
https://​/​doi.org/​10.1016/​j.procs.2017.08.363

, Hariz Zakka Muhammad, Muhammad Nasrun, Casi Setianingsih e Muhammad Ary Murti. "Riconoscimento vocale per traduttore dall'inglese all'indonesiano utilizzando il modello Markov nascosto". Nel 2018 Conferenza Internazionale su Segnali e Sistemi (ICSigSys). Pagine 255–260. IEEE (2018).
https://​/​doi.org/​10.1109/​ICSIGSYS.2018.8372768

, Erik LL Sonnhammer, Gunnar Von Heijne, Anders Krogh, et al. "Un modello di Markov nascosto per prevedere le eliche transmembrana nelle sequenze proteiche". In LSMB 1998. Pagine 175–182. (1998). URL: https://​/​cdn.aaai.org/​ISMB/​1998/​ISMB98-021.pdf.
https://​/​cdn.aaai.org/​ISMB/​1998/​ISMB98-021.pdf

, Gary Xie e Jeanne M Fair. "Modello di Markov nascosto: un approccio rappresentativo unico e breve per rilevare le tossine proteiche, i fattori di virulenza e i geni di resistenza agli antibiotici". Note di ricerca BMC 14, 1–5 (2021).
https://​/​doi.org/​10.21203/​rs.3.rs-185430/​v1

, Sean R. Eddy. "Cos'è un modello markoviano nascosto?". Biotecnologia naturale 22, 1315–1316 (2004).
https://​/​doi.org/​10.1038/​nbt1004-1315

, Paul M. Baggenstoss. "Un algoritmo baum-welch modificato per modelli markov nascosti con più spazi di osservazione". Transazioni IEEE sull'elaborazione vocale e audio 9, 411–416 (2001).
https: / / doi.org/ 10.1109 / 89.917686 mila

, Aleksandar Kavcic e Jose MF Moura. “L’algoritmo di Viterbi e la memoria del rumore di Markov”. Transazioni IEEE sulla teoria dell'informazione 46, 291–301 (2000).
https: / / doi.org/ 10.1109 / 18.817531 mila

, Todd K. Moon. “L’algoritmo di massimizzazione delle aspettative”. Rivista IEEE sull'elaborazione dei segnali 13, 47–60 (1996).
https: / / doi.org/ 10.1109 / 79.543975 mila

, Alex Monras, Almut Beige e Karoline Wiesner. “Modelli quantistici nascosti di Markov e lettura non adattiva di stati a molti corpi” (2010). arXiv:1002.2337.
arXiv: 1002.2337

, Siddarth Srinivasan, Geoff Gordon e Byron Boots. "Apprendimento di modelli markoviani quantistici nascosti". In Amos Storkey e Fernando Perez-Cruz, editori, Atti della ventunesima conferenza internazionale sull'intelligenza artificiale e la statistica. Volume 84 degli Atti della ricerca sull'apprendimento automatico, pagine 1979–1987. PMLR (2018). url: https://​/​proceedings.mlr.press/​v84/​srinivasan18a.html.
https://​/​proceedings.mlr.press/​v84/​srinivasan18a.html

, Herbert Jaeger. “Modelli di operatori osservabili per serie temporali stocastiche discrete”. Calcolo neurale 12, 1371–1398 (2000).
https: / / doi.org/ 10.1162 / 089976600300015411 mila

, Qing Liu, Thomas J. Elliott, Felix C. Binder, Carlo Di Franco e Mile Gu. “Modellazione stocastica ottimale con dinamica quantistica unitaria”. Fis. Rev. A 99, 062110 (2019).
https: / / doi.org/ 10.1103 / PhysRevA.99.062110

, Thomas J. Elliott. "Compressione della memoria ed efficienza termica delle implementazioni quantistiche di modelli markoviani nascosti non deterministici". Revisione fisica A 103, 052615 (2021).
https: / / doi.org/ 10.1103 / PhysRevA.103.052615

, Sandesh Adhikary, Siddarth Srinivasan, Geoff Gordon e Byron Boots. "Espressività e apprendimento dei modelli markoviani quantistici nascosti". Nella conferenza internazionale sull'intelligenza artificiale e la statistica. Pagine 4151–4161. (2020). url: http://​/​proceedings.mlr.press/​v108/​adhikary20a/​adhikary20a.pdf.
http://​/​proceedings.mlr.press/​v108/​adhikary20a/​adhikary20a.pdf

, Bo Jiang e Yu-Hong Dai. "Un quadro di vincoli che preserva gli schemi di aggiornamento per l'ottimizzazione sulla varietà di Stiefel". Programmazione matematica 153, 535–575 (2015).
https:/​/​doi.org/​10.1007/​s10107-014-0816-7

, Vanio Markov, Vladimir Rastunkov, Amol Deshmukh, Daniel Fry e Charlee Stefanski. “Implementazione e apprendimento di modelli markoviani quantistici nascosti” (2022). arXiv:2212.03796v2.
arXiv: 2212.03796v2

, Xiantao Li e Chunhao Wang. "Simulazione di sistemi quantistici aperti markoviani utilizzando l'espansione in serie di ordine superiore" (2022). arXiv:2212.02051v2.
arXiv: 2212.02051v2

, Yoshitaka Tanimura. "Approcci stocastici di Liouville, Langevin, Fokker-Planck e equazioni principali ai sistemi dissipativi quantistici". Giornale della Società di Fisica del Giappone 75, 082001 (2006).
https: / / doi.org/ 10.1143 / JPSJ.75.082001

, Akihito Ishizaki e Graham R. Fleming. "Trattamento unificato delle dinamiche di salto quantistico coerenti e incoerenti nel trasferimento di energia elettronica: approccio con equazioni gerarchiche ridotte". Il giornale di fisica chimica 130 (2009).
https: / / doi.org/ 10.1063 / 1.3155372 mila

, Jinshuang Jin, Xiao Zheng e YiJing Yan. “Dinamica esatta dei sistemi elettronici dissipativi e trasporto quantistico: approccio alle equazioni gerarchiche del movimento”. Il giornale di fisica chimica 128 (2008).
https: / / doi.org/ 10.1063 / 1.2938087 mila

, Lewis A Clark, Wei Huang, Thomas M Barlow e Almut Beige. “Modelli quantistici markoviani nascosti e sistemi quantistici aperti con feedback istantaneo”. In ISCS 2014 Simposio interdisciplinare sui sistemi complessi. Pagine 143–151. (2015).
https:/​/​doi.org/​10.1007/​978-3-319-10759-2$_$16

, Xin-Qi Li, JunYan Luo, Yong-Gang Yang, Ping Cui e YiJing Yan. “Approccio con equazione master quantistica al trasporto quantistico attraverso sistemi mesoscopici”. Revisione fisica B 71, 205304 (2005).
https: / / doi.org/ 10.1103 / PhysRevB.71.205304

, Michael J Kastoryano, Fernando GSL Brandão, András Gilyén, et al. “Preparazione dello stato termico quantistico” (2023). arXiv:2303.18224.
arXiv: 2303.18224

, Ming-Jie Zhao e Herbert Jaeger. “Modelli di operatori osservabili a norma”. Calcolo neurale 22, 1927–1959 (2010).
https://​/​doi.org/​10.1162/​neco.2010.03-09-983

, Sandesh Adhikary, Siddarth Srinivasan e Byron Boots. "Apprendimento di modelli grafici quantistici utilizzando la discesa del gradiente vincolata sulla varietà Stiefel" (2019). arXiv:2101.08448v1.
arXiv: 2101.08448v1

, MS Vijayabaskar David R. Westhead, redattore. “Modelli markoviani nascosti”. Volume 2, pagina 18. Humana New York, NY. (2017).
https:/​/​doi.org/​10.1007/​978-1-4939-6753-7

Citato da

Questo documento è pubblicato in Quantum sotto il Creative Commons Attribuzione 4.0 Internazionale (CC BY 4.0) licenza. Il copyright rimane dei detentori del copyright originali come gli autori o le loro istituzioni.

Timestamp:

Di più da Diario quantistico